Uplift-моделирование помогает ответить на практичный вопрос: кого реклама реально двигает к покупке, а кого нет. Обычная конверсия показывает факт покупки. Uplift показывает прирост именно из-за рекламы. Для бюджета это критично, потому что часть людей купит и без показа.
В статье разберем, что такое uplift моделирование, чем оно отличается от классической атрибуции, и как оценить влияние рекламы без самообмана.
- Дорогие читатели и пользователи платформы StreamMyData! Хотим пригласить вас в наш телеграм канал, в котором публикуются важные новости, обновления, статьи и кейсы.
Uplift: что это и зачем маркетингу
В простом виде uplift это приростная эффективность рекламы. Не просто сколько было конверсий, а сколько добавилось за счет воздействия. То есть мы сравниваем группу, которой показывали рекламу, и группу без воздействия.
Отсюда разница между задачами. Модель конверсии отвечает на вопрос «кто купит». Uplift-модель отвечает на вопрос «кто купит именно из-за рекламы». В этом и суть инкрементальности в рекламе: считать добавочный эффект, а не только итоговые продажи.
Чем uplift отличается от атрибуции
Классическая атрибуция распределяет уже случившиеся конверсии между каналами. По последнему клику, по линейной схеме, по собственным весам. Это полезно для отчетов, но этого мало, если нужно понять причинный эффект.
Проблема в том, что атрибуция не отвечает на главный вопрос: что было бы без рекламы. Клиент мог увидеть баннер и купить, но мог купить и сам. Если это не проверить, вклад канала легко переоценить.
Поэтому uplift моделирование и классическая атрибуция решают разные задачи. Атрибуция описывает путь конверсии. Uplift оценивает прирост от воздействия. На практике эти подходы хорошо работают вместе. Сначала собираем надежные данные и отчеты, потом добавляем причинную оценку. База для этого описана в статье Введение в сквозную аналитику.
Кому показывать рекламу, а кому нет
Когда модель посчитана, аудитория обычно делится на четыре группы.
Первая группа: люди, которых реклама действительно подталкивает к покупке. Это главная зона для бюджета.
Вторая группа: люди, которые купят и без рекламы. На них бюджет чаще всего сгорает без прироста.
Третья группа: люди, которые не купят ни при каких текущих настройках кампании. Показы им мало что меняют.
Четвертая группа: люди, у которых реклама может даже снизить вероятность покупки. Такое бывает реже, но в отдельных сегментах встречается.
Uplift модель: примеры из практики
Пример 1. Реклама популярного товара.Компания продвигает известную линейку парфюма. По конверсионной модели в приоритете аудитория с высокой вероятностью покупки. Но часть этой аудитории и так купит. Uplift-модель оставляет только тех, у кого воздействие действительно добавляет вероятность покупки. Результат обычно один из двух: меньше расходов при тех же продажах или больше продаж при том же бюджете.
Пример 2. Рассылка скидок.Если отправлять письмо всем, кто когда-то покупал, заметная доля бюджета уходит в пустоту. Uplift позволяет оставить в рассылке только тех, у кого письмо дает добавочный эффект. Это классический сценарий для темы uplift модель примеры.
Какие данные нужны для модели
Нужны три базовые вещи: факт воздействия, факт результата и признаки клиента. Проще говоря, кто видел рекламу, кто не видел, кто купил, и какие у пользователя были характеристики до контакта с рекламой.
Минимальный набор полей обычно такой: user_id, дата контакта, канал, кампания, признак воздействия treatment (1/0), целевое действие target (1/0), выручка или маржа, частота контакта, давность покупки, источник трафика, базовые поведенческие признаки.
По моделям удобно идти от простого к сложному. Сначала делайте A/B-тест как базовую проверку прироста. Затем для персонального таргетинга подключайте uplift-модели: двухмодельный подход (отдельно для группы с воздействием и без), одномодельный подход с признаком воздействия, и X-learner если группы заметно несбалансированы.
Для проверки качества обычно смотрят метрики ранжирования прироста по сегментам. Важно не название метрики, а практический смысл: действительно ли верхние сегменты дают больше прироста, чем случайный выбор аудитории.
Чтобы такая оценка работала, данные должны быть собраны в единый контур. Если расходы в одном кабинете, клики в другом, а продажи в CRM и все это склеивается вручную, ошибки неизбежны. Поэтому сначала наводят порядок в источниках. Подход к единой витрине описан в материале Единая витрина маркетинга.
Когда подход дает наибольший эффект
Uplift особенно полезен там, где цена контакта заметна и есть риск переплатить за аудиторию, которая и так покупает. Это рекламные кампании с широким охватом, e-mail и мессенджер-рассылки, ретаргетинг.
Если охват почти бесплатный, эффект от тонкой сегментации может быть меньше. Еще один момент: на маленьких выборках оценка нестабильна. Поэтому перед запуском важно проверить, хватает ли данных для надежного вывода.
Причинно-следственная оценка в маркетинге
Здесь идея простая: мы пытаемся ответить на вопрос, что было бы, если бы рекламы не было. То есть отделяем совпадение от реального влияния рекламы.
Самый понятный способ — эксперимент с контрольной группой. Uplift-модели идут дальше: они оценивают не только средний эффект по всей аудитории, но и прирост по отдельным сегментам или людям. Это помогает принимать решения о бюджете точнее.
Вывод
Uplift-моделирование нужно, когда вы хотите считать не просто конверсии, а именно прирост от рекламы. Это и есть корректный ответ на вопрос как оценить влияние рекламы и где искать реальную добавочную ценность кампаний.
Главный вывод простой: не вся аудитория одинаково полезна для показа. Одним реклама действительно добавляет вероятность покупки, другим нет. Если в данных есть порядок, машинное обучение в маркетинге можно использовать не ради красивой модели, а ради конкретной экономии бюджета. Для связки рекламных данных, CRM и аналитики в единую структуру пригодится подход единого профиля клиента, он подробно описан в статье Единый клиентский профиль.
